何 慶，陳正興，王啟航，王曉明，王 平，余天樂(lè)

(1.西南交通大學(xué) 土木工程學(xué)院，四川 成都 610031；2.西南交通大學(xué) 高速鐵路線路工程教育部重點(diǎn)實(shí)驗(yàn)室，四川 成都 610031；3.上海市東方海事工程技術(shù)有限公司,上海 200011)

目前鋼軌探傷設(shè)備在國(guó)內(nèi)普速鐵路和高速鐵路都得到了廣泛應(yīng)用。由于受探傷設(shè)備自身設(shè)置不合理、探傷靈敏度不足以及傷損數(shù)據(jù)分析方法單一、數(shù)據(jù)處理智能化程度不高等內(nèi)外部因素影響，鋼軌探傷設(shè)備陸續(xù)產(chǎn)生傷損漏報(bào)、誤報(bào)問(wèn)題[1-3]。同時(shí)，由于過(guò)去針對(duì)上述問(wèn)題主要依靠改進(jìn)探傷設(shè)備的探頭、邀請(qǐng)專家系統(tǒng)培養(yǎng)工作人員、工作人員自學(xué)等方法，因此傷損識(shí)別主觀性較強(qiáng)，無(wú)法得到推廣。因此，通過(guò)機(jī)器學(xué)習(xí)的方法對(duì)傷損回波數(shù)據(jù)進(jìn)行智能分析是提高傷損識(shí)別率的有效方法。

目前各國(guó)對(duì)于鋼軌傷損的評(píng)判不再局限于傷損存在與否，還要對(duì)鋼軌傷損檢測(cè)數(shù)據(jù)進(jìn)行評(píng)價(jià)，包括對(duì)鋼軌的失效原因、安全可靠性、物理和力學(xué)性能的綜合性檢測(cè)及其評(píng)價(jià)[4]。雖然我國(guó)在超聲檢測(cè)領(lǐng)域的數(shù)字化、智能化研究也有很大程度的發(fā)展，但是傷損的檢測(cè)判定、鋼軌失效的原因分析依然需要依靠經(jīng)驗(yàn)豐富的專家，智能化程度遠(yuǎn)不及工業(yè)發(fā)達(dá)國(guó)家；并且由于超聲回波數(shù)據(jù)分析方法較為單一，我國(guó)在超聲波探傷領(lǐng)域一度陷入僵局[5-6]。為提高鋼軌傷損的識(shí)別率，降低誤報(bào)、漏報(bào)率，目前的方法主要是人工提取分類(lèi)特征，再設(shè)計(jì)分類(lèi)器對(duì)鋼軌傷損進(jìn)行分類(lèi)。目前，鋼軌缺陷的檢測(cè)方法主要有超聲波[7]、聲發(fā)射[8]、振動(dòng)加速度[9]、圖像處理[10]等。不同檢測(cè)方法的特征提取方法也不盡相同，一般可以通過(guò)一些統(tǒng)計(jì)或信號(hào)處理方法來(lái)獲得特征，包括小波包變換(WPT)[11]、核主成分分析(KPCA)[12]、自適應(yīng)線增強(qiáng)器[13]等?，F(xiàn)有的利用機(jī)器學(xué)習(xí)方法進(jìn)行鋼軌傷損檢測(cè)的研究方法包括支持向量機(jī)[14]、感知機(jī)[15]、貝葉斯模型[16]、半監(jiān)督模型[17]、最大熵法[18]等。以上方法大多通過(guò)人工處理分類(lèi)特征的方式對(duì)鋼軌傷損進(jìn)行分類(lèi)識(shí)別，這些方法中鋼軌傷損判別效果依賴工作人員選取特征的準(zhǔn)確性，對(duì)于經(jīng)驗(yàn)不足或認(rèn)識(shí)不夠的傷損類(lèi)型會(huì)有所遺漏。另一方面，由于傷損的尺寸較小，可提取的特征較少，同樣會(huì)造成鋼軌探傷的誤報(bào)、漏報(bào)率高等問(wèn)題。

本文的鋼軌傷損B顯圖像數(shù)據(jù)集由雙軌式鋼軌超聲波探傷儀采集。近年來(lái)，大數(shù)據(jù)分析技術(shù)已經(jīng)廣泛應(yīng)用于軌道交通領(lǐng)域[19]。相關(guān)研究表明鐵路現(xiàn)場(chǎng)最常出現(xiàn)的傷損類(lèi)型主要包括核傷、軌底傷損、表面?zhèn)麚p(包含擦傷、魚(yú)鱗紋、剝離掉塊)、異常螺孔等[20]?；诖?，本文選擇上述四類(lèi)傷損情況，結(jié)合斷面、接頭、螺孔、焊縫四類(lèi)正常但在B顯圖像上出波情況，通過(guò)改進(jìn)YOLO V3模型，將上述各類(lèi)正常、異常出波點(diǎn)作為訓(xùn)練和檢測(cè)目標(biāo)，為鋼軌超聲波探傷設(shè)備提供快速高效的傷損智能檢測(cè)功能。

1 改進(jìn)的YOLO V3模型

在B顯圖像中各類(lèi)傷損(包括核傷、軌底傷損)的尺寸較小，一般只有少于3個(gè)反射點(diǎn)。傳統(tǒng)的YOLO V3模型很容易漏檢這種尺度較小的對(duì)象。因此，如何擴(kuò)展YOLO V3模型的感受野(特征圖上的一點(diǎn)對(duì)應(yīng)的輸入圖像的區(qū)域)從而確保較高的檢測(cè)召回率是本文改進(jìn)YOLO V3模型時(shí)關(guān)注的重點(diǎn)，主要包括四種方法：提升輸入圖像分辨率、增加極小尺度檢測(cè)層、增加SPP模塊以及增加SE模塊。

1.1 提升輸入圖像分辨率

YOLO V3模型通過(guò)多個(gè)卷積層來(lái)不斷修改輸入層的大小和通道，從而獲取被檢測(cè)對(duì)象的更高層次信息。為了提升檢測(cè)精度，本文將輸入圖片尺寸由416像素×416像素提升到608像素×608像素。

1.2 增加極小尺度檢測(cè)層

為了提升小目標(biāo)的檢測(cè)精度，YOLO V3模型引進(jìn)了特征金字塔的概念并且使用三種不同大小的特征圖進(jìn)行多尺度預(yù)測(cè)。以本文的輸入分辨率為例，第一個(gè)尺度將輸入圖片劃分為19×19的網(wǎng)格，每個(gè)網(wǎng)格的尺寸為32像素×32像素。第二個(gè)尺度以第一個(gè)尺度為基礎(chǔ)進(jìn)行2倍采樣，輸入圖片劃分為38×38的網(wǎng)格，每個(gè)網(wǎng)格的尺寸為16像素×16像素。同樣地，第三尺度以第二尺度為基礎(chǔ)再進(jìn)行2倍采樣，輸入圖片劃分為76×76的網(wǎng)格，每個(gè)網(wǎng)格的尺寸為8像素×8像素。然而，由于各類(lèi)傷損的尺寸非常小，即使是第三尺度檢測(cè)層也難以很好地檢測(cè)到非常小的傷損。因此，為了獲取更為細(xì)小的信息，我們繼續(xù)對(duì)第三尺度進(jìn)行2倍采樣，將輸入圖片劃分為152×152的網(wǎng)格，最終得到第四尺度的極小尺度檢測(cè)層，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 改進(jìn)的YOLO V3網(wǎng)絡(luò)結(jié)構(gòu)

1.3 增加SPP模塊

SPP模塊全稱為空間金字塔池化模塊，是由文獻(xiàn)[21]提出的，其優(yōu)點(diǎn)在于不論輸入圖像的尺寸是多少，都能產(chǎn)生固定尺寸的輸出圖片。試驗(yàn)表明輸入圖像尺寸多樣比圖像單一尺寸更容易使網(wǎng)絡(luò)收斂，但是全連接層在處理不同尺度圖像時(shí)會(huì)導(dǎo)致精度下降。因此，可以通過(guò)數(shù)據(jù)增強(qiáng)方式任意改變輸入圖像的尺寸和縱橫比，之后通過(guò)SPP模塊輸出固定尺寸的特征圖到Y(jié)OLO檢測(cè)層，從而提高圖像的尺度不變性并降低過(guò)擬合。SPP模塊的另一個(gè)特點(diǎn)在于其相較于原網(wǎng)絡(luò)的設(shè)計(jì)和結(jié)構(gòu)是獨(dú)立的，因此可以用在網(wǎng)絡(luò)層之后而對(duì)原網(wǎng)絡(luò)結(jié)構(gòu)沒(méi)有影響。為保證輸入YOLO檢測(cè)層的特征圖尺寸固定，本文在每個(gè)YOLO檢測(cè)層前都加入了SPP模塊，如圖1所示。

1.4 增加SE模塊

SE模塊屬于注意力機(jī)制模塊[22]，是Squeeze-and-Excitation模塊的簡(jiǎn)稱，該模塊學(xué)習(xí)了特征圖通道之間的相關(guān)性，篩選出針對(duì)通道的注意力權(quán)重，從而使網(wǎng)絡(luò)更加關(guān)注存在檢測(cè)對(duì)象的通道。模塊分為兩個(gè)部分：第一個(gè)部分為壓縮(Squeeze)，即對(duì)特征圖進(jìn)行全局平均池化，得到通道數(shù)與原特征圖一致的一維張量，該張量可以理解為全局感受野；第二個(gè)部分為激活(Excitation)，即對(duì)壓縮后的一維張量采用激活函數(shù)進(jìn)行非線性變換。最后將激活后的一維張量作為權(quán)重與輸入特征圖相乘。本文在第一個(gè)SPP模塊之后加入了SE模塊(圖1)進(jìn)而提升了網(wǎng)絡(luò)檢測(cè)性能。

2 數(shù)據(jù)集分析與預(yù)處理

2.1 B顯數(shù)據(jù)介紹

本文的鋼軌傷損B顯圖像數(shù)據(jù)集由雙軌式鋼軌超聲波探傷儀采集。數(shù)據(jù)來(lái)源多樣，主要有朔黃線、懷化工務(wù)段、開(kāi)遠(yuǎn)工務(wù)段、廣州地鐵、武漢地鐵等，采集的B顯圖像皆來(lái)自現(xiàn)場(chǎng)實(shí)際傷損。數(shù)據(jù)集類(lèi)型主要包括：核傷、軌底傷損、表面?zhèn)麚p、異常螺孔四類(lèi)異常數(shù)據(jù)集和斷面、接頭、螺孔、焊縫四類(lèi)正常數(shù)據(jù)集。

本文所用的雙軌式探傷儀在每側(cè)鋼軌處設(shè)置有1個(gè)超聲波探輪，每個(gè)超聲波探輪有9個(gè)超聲波探頭，共18個(gè)超聲波通道。每個(gè)超聲波通道輸出一個(gè)B顯數(shù)據(jù)組，每個(gè)通道的名稱由“左輪/右輪+前/后/縱+內(nèi)/外/直+角度”組成。各通道在B顯圖像中的出波示意如圖2所示。圖2中虛線分割開(kāi)來(lái)的區(qū)域分別用70°探頭檢測(cè)軌頭外側(cè)、軌頭中間、軌頭內(nèi)側(cè)，用0°和37°探頭檢測(cè)軌頭、軌腰、軌底，最終每張B顯圖片可以看作由18個(gè)通道的出波疊加而成。

圖2 各通道在B顯圖像中的出波示意

2.2 數(shù)據(jù)增強(qiáng)

本文關(guān)注的重點(diǎn)是小尺寸的傷損檢測(cè)。數(shù)據(jù)集中檢測(cè)對(duì)象目標(biāo)框的面積分布如圖3所示。從圖3可以看出，大多數(shù)目標(biāo)框的面積聚集在500～2 000像素，而小目標(biāo)大多聚集在面積為100像素處。因此小目標(biāo)所能提取的特征非常少，不利于檢測(cè)。各類(lèi)B顯檢測(cè)對(duì)象數(shù)量占比見(jiàn)表1。由表1可以看出，核傷、軌底傷損兩類(lèi)小目標(biāo)傷損的占比較小，因此數(shù)據(jù)集中數(shù)據(jù)不平衡的問(wèn)題較為突出，而這會(huì)進(jìn)一步導(dǎo)致YOLO V3模型更加關(guān)注中、大目標(biāo)的檢測(cè)，而忽略了小目標(biāo)。

圖3 B顯數(shù)據(jù)集檢測(cè)對(duì)象尺寸直方圖

表1 各類(lèi)B顯檢測(cè)對(duì)象數(shù)量占比 %

基于以上原因，為了解決本文出現(xiàn)的數(shù)據(jù)不平衡問(wèn)題，提升小尺寸目標(biāo)的占比，采用在圖片指定區(qū)域內(nèi)的任意位置粘貼小目標(biāo)的數(shù)據(jù)增強(qiáng)方法[23]。其具體實(shí)現(xiàn)思路是：先將每一類(lèi)中所有的小目標(biāo)根據(jù)其邊界框的中心點(diǎn)坐標(biāo)和尺寸摳出來(lái)保存在文件夾中備用；然后隨機(jī)選取n個(gè)小目標(biāo)進(jìn)行縮放(范圍在0.9～1.1)，在圖像上對(duì)應(yīng)區(qū)域粘貼小目標(biāo)，要求兩兩之間不能重合(即兩兩之間計(jì)算的IoU必須為0)并且粘貼位置不能超出圖片。需要注意的是，本數(shù)據(jù)集中各類(lèi)小目標(biāo)有特定的出現(xiàn)區(qū)域，核傷只會(huì)出現(xiàn)在B顯圖像中的軌頭區(qū)域，軌底傷損只會(huì)出現(xiàn)在軌底區(qū)域，因此還需限制兩類(lèi)小目標(biāo)傷損的出現(xiàn)區(qū)域。以核傷為例，圖4展示了隨機(jī)粘貼3個(gè)小目標(biāo)后的效果，除上方紅框內(nèi)的核傷外，其他3個(gè)藍(lán)框內(nèi)的核傷是經(jīng)過(guò)隨機(jī)粘貼生成的。本文將經(jīng)上述處理后的圖片添加到訓(xùn)練集中與原始數(shù)據(jù)一起訓(xùn)練，從而達(dá)到提升檢測(cè)精度的目的。

圖4 數(shù)據(jù)增強(qiáng)后的B顯圖片

2.3 雜波濾除

與普通圖像數(shù)據(jù)一樣，B顯圖像數(shù)據(jù)也存在很多雜波噪聲干擾，而檢測(cè)中的噪聲主要由探傷時(shí)探輪調(diào)整不良、通道靈敏度在不同軌面狀態(tài)時(shí)修正不及時(shí)、鋼軌材質(zhì)噪聲不同等因素造成，沒(méi)有規(guī)律可循。雜波濾除前后對(duì)比見(jiàn)圖5。由圖5(a)可以看到，B顯圖像中存在一些少于3個(gè)反射點(diǎn)的小回波點(diǎn)(黃色框標(biāo)出)以及與超聲波傳感器檢測(cè)角度及通道顏色不符的連續(xù)長(zhǎng)條波形(紅色框標(biāo)出)，這些雜波會(huì)對(duì)檢測(cè)過(guò)程造成一定的干擾。因此本文采用8鄰域降噪法將上述的雜波濾除。

8鄰域指的是中心點(diǎn)周?chē)?個(gè)像素點(diǎn)，如果這8個(gè)點(diǎn)中像素值大于0的個(gè)數(shù)小于某個(gè)閾值k就判斷這個(gè)點(diǎn)處為雜波點(diǎn)。經(jīng)過(guò)試驗(yàn)，本文將閾值k設(shè)定為3。降噪后的圖像如圖5(b)所示，可以看到原圖像中過(guò)小的雜波點(diǎn)和連續(xù)的白色長(zhǎng)條波形皆被濾除。

圖5 雜波濾除前后對(duì)比

2.4 B顯數(shù)據(jù)集邊界框聚類(lèi)分析

YOLO V3開(kāi)始引入Faster R-CNN中錨框(Anchor Boxes)的概念。初始錨框是一組具有固定高度和寬度的先驗(yàn)框，而先驗(yàn)框的選擇將會(huì)直接影響檢測(cè)的精度和速度。與Faster R-CNN的手動(dòng)選擇錨框不同，YOLO V3通過(guò)在數(shù)據(jù)集標(biāo)簽上運(yùn)行K-means聚類(lèi)算法自動(dòng)找到合適尺寸的錨框。通過(guò)K-means生成的聚類(lèi)可以反映數(shù)據(jù)集中樣本的分布，使YOLO網(wǎng)絡(luò)能夠更容易做出良好的預(yù)測(cè)。另一方面，如果直接采用標(biāo)準(zhǔn)的K-means聚類(lèi)算法，在邊界框尺寸比較大時(shí)其產(chǎn)生的誤差也更大，而聚類(lèi)分析時(shí)希望誤差和邊界框的尺寸沒(méi)有太大關(guān)系。因此，通過(guò)IoU定義了距離函數(shù)，使誤差與邊界框的尺寸無(wú)關(guān)。距離函數(shù)d為

d(box,centroid)=1-IoU(box,centroid)

( 1 )

式中:box為目標(biāo)對(duì)象的實(shí)際邊界框；centroid為聚類(lèi)中心框。

3 試驗(yàn)驗(yàn)證與結(jié)果分析

3.1 試驗(yàn)運(yùn)行環(huán)境

本文的試驗(yàn)硬件環(huán)境配置，采用NVIDIA Tesla系列計(jì)算顯卡，適用于深度學(xué)習(xí)大規(guī)模數(shù)據(jù)計(jì)算。系統(tǒng)配置主要包括Windows10、CUDA10.2、cuDNN7.6.5、Python3.7等常用環(huán)境，深度學(xué)習(xí)框架使用PyTorch框架。

3.2 改進(jìn)的YOLO模型訓(xùn)練參數(shù)確定

本文的數(shù)據(jù)集共有17 601張B顯圖片，其中核傷1 363張，表面?zhèn)麚p7 208張、異常螺孔1 320張、軌底傷損584張、螺孔2 496張、焊縫1 310張、斷面1 656張、接頭1 664張。采用LabelImg工具對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注，并保存為VOC數(shù)據(jù)集格式，在訓(xùn)練前根據(jù)VOC數(shù)據(jù)集的格式與結(jié)構(gòu)轉(zhuǎn)換為YOLO數(shù)據(jù)集格式。本文將總數(shù)據(jù)集的90%作為訓(xùn)練集，將10%的數(shù)據(jù)集作為測(cè)試集。

使用本文改進(jìn)的YOLO V3網(wǎng)絡(luò)訓(xùn)練前需要先配置網(wǎng)絡(luò)參數(shù)。為提高網(wǎng)絡(luò)分辨率，本文將輸入的416像素×416像素的原始數(shù)據(jù)集重新調(diào)整為608像素×608像素。考慮到高網(wǎng)絡(luò)分辨率會(huì)占用大量顯存，導(dǎo)致顯存溢出情況發(fā)生，因此本文將每次輸入的批量大小(batch)設(shè)置為12。深度學(xué)習(xí)模型可以通過(guò)數(shù)據(jù)增強(qiáng)的方式提升模型的泛化能力和魯棒性，而YOLO算法內(nèi)置了通過(guò)修改初始超參數(shù)的方法進(jìn)行數(shù)據(jù)增強(qiáng)。本文設(shè)置色調(diào)為0.013 8，色飽和度為0.678，明度值為0.36，旋轉(zhuǎn)角度為1.98，平移值為0.05，縮放值為0.05，剪切值為0.05。本文將初始學(xué)習(xí)率設(shè)置為0.000 579，優(yōu)化器選用SGD優(yōu)化器，設(shè)置動(dòng)量為0.937，權(quán)重衰減系數(shù)為0.000 484。

3.3 數(shù)據(jù)增強(qiáng)參數(shù)確定

2.2節(jié)介紹了在指定區(qū)域內(nèi)粘貼多個(gè)檢測(cè)對(duì)象的數(shù)據(jù)增強(qiáng)方法。然而，同一張圖內(nèi)檢測(cè)對(duì)象的粘貼個(gè)數(shù)和加入訓(xùn)練集的增強(qiáng)圖片數(shù)量并不是越多越好，最終的檢測(cè)效果需要通過(guò)評(píng)價(jià)指標(biāo)來(lái)確定。

( 2 )

( 3 )

( 4 )

( 5 )

( 6 )

式中：TP為真正例；FP為假正例；FN為假負(fù)例；n為最大精度的數(shù)量；i為檢測(cè)類(lèi)別的數(shù)量；根據(jù)VOC2007數(shù)據(jù)集格式[24]，用最大精度的平均值求得平均精度AP，其中最大精度pinterp(Rn+1)為

( 7 )

以核傷為例，本文首先使用YOLO原網(wǎng)絡(luò)對(duì)同一張圖內(nèi)小目標(biāo)的粘貼個(gè)數(shù)進(jìn)行試驗(yàn)對(duì)比，見(jiàn)表2。由于平均精度可以較好地考慮精度和召回率的綜合關(guān)系，因此本節(jié)將平均精度作為主要評(píng)價(jià)指標(biāo)。從表2可以明顯看到，同一張圖內(nèi)粘貼2個(gè)小目標(biāo)所得到的平均精度是最高的。隨后，本文對(duì)粘貼2個(gè)小目標(biāo)的增強(qiáng)圖片進(jìn)行試驗(yàn)，分別取增強(qiáng)后的圖片數(shù)量50、100、200、300張加入原始訓(xùn)練集進(jìn)行對(duì)比試驗(yàn)，觀察其測(cè)試效果，見(jiàn)表3。從表3看出，取100張?jiān)鰪?qiáng)圖片加入訓(xùn)練集中進(jìn)行試驗(yàn)最終得到的測(cè)試效果最好。因此，本文最終確定取100張隨機(jī)粘貼2個(gè)小目標(biāo)的增強(qiáng)圖片加入訓(xùn)練集中進(jìn)行模型訓(xùn)練。

表2 同一張圖內(nèi)不同小目標(biāo)粘貼個(gè)數(shù)對(duì)應(yīng)的測(cè)試結(jié)果

表3 不同增強(qiáng)圖片數(shù)量對(duì)應(yīng)的測(cè)試結(jié)果

3.4 B顯數(shù)據(jù)集邊界框聚類(lèi)結(jié)果

根據(jù)2.4節(jié)提出的K-means聚類(lèi)算法，本文首先設(shè)定需要聚類(lèi)的錨框數(shù)量為1～20，對(duì)所使用的數(shù)據(jù)集進(jìn)行K-means聚類(lèi)分析，結(jié)果如圖6所示。

圖6 錨框K-means 聚類(lèi)分析結(jié)果

從圖6可以看出，隨著錨框數(shù)量的增加，平均交并比也在提升。因?yàn)殄^框數(shù)量增加，計(jì)算量也會(huì)增加，損失函數(shù)的收斂速度也會(huì)減慢，所以綜合考慮誤差與計(jì)算量，本文選擇的聚類(lèi)錨框數(shù)量為12個(gè)。因此所聚類(lèi)出來(lái)的12個(gè)先驗(yàn)框的寬和高為(573,218)、(582,34)、(582,26)、(302,25)、(203,26)、(127,22)、(428,26)、(38,186)、(13,18)、(77,45)、(57,29)、(66,35)。

3.5 試驗(yàn)結(jié)果分析

模型訓(xùn)練完成后，對(duì)測(cè)試集中的17 601張B顯圖像中的8類(lèi)目標(biāo)進(jìn)行檢測(cè)，各B顯圖像檢測(cè)對(duì)象識(shí)別效果評(píng)價(jià)見(jiàn)表4，各B顯圖像檢測(cè)對(duì)象識(shí)別效果如圖7所示。

表4 各B顯圖像檢測(cè)對(duì)象識(shí)別效果評(píng)價(jià)

圖7 各B顯圖像檢測(cè)對(duì)象識(shí)別效果

從表4可以看出基于改進(jìn)YOLO V3模型的B顯圖像檢測(cè)方法的總體平均精度為92.3%，總體上具有較高的識(shí)別精度。對(duì)于正常數(shù)據(jù)集，檢測(cè)對(duì)象的識(shí)別精度均在90%以上，說(shuō)明該模型誤檢率很低；而在召回率方面，除了斷面，其他類(lèi)型均在0.95以上，因此除斷面可能存在少許的漏檢情況外，其他類(lèi)型均能保證較高的檢測(cè)全面性。對(duì)于異常數(shù)據(jù)集，核傷和軌底傷損尺寸很小，檢測(cè)難度較大，即便如此平均精度也達(dá)到88%以上；另一方面，表面?zhèn)麚p和異常螺孔的平均精度均在90%以上，基本可以保證較低的漏檢、誤檢率。同時(shí)，可以看出該模型的檢測(cè)速度達(dá)到44 ms/張，基本滿足實(shí)時(shí)檢測(cè)的要求。由此可見(jiàn)，基于改進(jìn)YOLO V3的鋼軌傷損B顯圖像識(shí)別算法保證了檢測(cè)準(zhǔn)確性和實(shí)時(shí)性，能夠較好地完成鋼軌傷損檢測(cè)任務(wù)。

4 結(jié)論

(1)本文詳細(xì)介紹了YOLO V3模型的網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)方法，包括提升輸入圖像分辨率、增加極小尺度網(wǎng)絡(luò)檢測(cè)層、增加SPP模塊和增加SE模塊等，從而提升了網(wǎng)絡(luò)對(duì)小尺度目標(biāo)的檢測(cè)能力。

(2)本文介紹了B顯數(shù)據(jù)預(yù)處理方法，包括數(shù)據(jù)增強(qiáng)和雜波濾除方法；提出了通過(guò)邊界框K-means聚類(lèi)算法獲取12個(gè)先驗(yàn)框，從而優(yōu)化了檢測(cè)的精度和速度。

(3)本文通過(guò)網(wǎng)絡(luò)參數(shù)調(diào)整等方法優(yōu)化了改進(jìn)的YOLO V3算法，并用核傷、軌底傷損、表面?zhèn)麚p(包含擦傷、魚(yú)鱗紋、剝離掉塊)、異常螺孔四類(lèi)異常數(shù)據(jù)集和斷面、接頭、螺孔、焊縫四類(lèi)正常數(shù)據(jù)集進(jìn)行檢測(cè)試驗(yàn)。

(4)試驗(yàn)結(jié)果表明，本文提出的改進(jìn)算法檢測(cè)平均精度達(dá)到92.3%，檢測(cè)速度達(dá)到44 ms/張，該模型具有較好的檢測(cè)效果。不足之處在于小目標(biāo)數(shù)據(jù)集檢測(cè)精度還有一定的提升空間，如何繼續(xù)提升小尺度傷損的檢測(cè)精度將是未來(lái)的主要研究方向。

未來(lái)，我們可以將該算法進(jìn)一步完善并將其打包為軟件安裝到雙軌式探傷系統(tǒng)中，為現(xiàn)場(chǎng)智能探傷提供輔助。